下載

環境

pandas==1.1.2 numpy==1.19.5 torch==1.8.1+cu111 tqdm==4.50.2 sklearn== 0.0 Torchvision==0.7.0 Keras==2.2.4 Pandas==0.25.3 Numpy==1.16.1 Matplotlib==3.1.2 Natsort==7.0.1 Pillow==7.2.0 Opencv-python==4.2.0 Torchsummary==1.5.1 Tqdm==4.50.2 Scipy==1.2.1 prefetch_generator==1.0.1 (若無法安裝可不安裝，執行後續程式碼若該段有問題，跳過即可)

Efficientnet

pip install efficientnet_pytorch

yolov4

git clone https://github.com/AlexeyAB/darknet
cd darknet
mkdir weights
cd weights
wget https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.conv.137

中文手寫資料集

※ (file_path) & (output_path) 以實際檔案位置需求作修改、替換，解壓縮後資料夾名稱為 cleaned_data，共684,677個圖片

git clone https://github.com/chenkenanalytic/handwritting_data_all.git
cat (file_path)/all_data.zip* > (file_path)/all_data.zip
unzip -O big5 (file_path)/all_data.zip -d (output_path)

前處理及訓練 (皆使用Jupyter Notebook)

執行Data_Preprocessing_Upload.py

於第2個cell需做中文手寫資料集的路徑定義於第3個cell需做訓練集、YoloV4(darknet)、測試集的路徑定義

執行model_train.py (訓練分類模型)

於第3個cell需做訓練集的路徑定義

更改yolov4之內容

複製資料夾 - Yolo_Setting中的Makefile至darknet中
複製資料夾 - Yolo_Setting中的obj.names至darknet/data中
複製資料夾 - Yolo_Setting中的obj.data至darknet/data中
複製資料夾 - Yolo_Setting中的yolo-obj.cfg至darknet/cfg中

需依照電腦顯卡種類，更改Makefile中的第20列ARCH部分，詳情可以參照第28列之後的段落更改完之後回到darknet資料夾下進行compile

make

Compile完後可開始進行訓練

./darknet detector train data/obj.data cfg/yolo-obj.cfg yolov4.conv.137 -mjpeg_port 8090 -map

訓練完後針對Testing Data進行Predict

./darknet detector test data/obj.data cfg/yolo-obj.cfg weights/yolo-obj_best.weights -ext_output -dont_show -out result.json<data/test.txt

執行Model_Predict_Upload.py

於第2個cell需進行路徑定義包含

訓練資料之路徑
YoloV4(Darknet)的路徑
測試資料之路徑
測試Label CSV檔路徑
訓練好的分類模型權重路徑

執行完成後，輸出結果將會儲存在訓練好的分類模型權重的路徑下，output.csv# Template